[論文レビュー] Slender Object Detection: Diagnoses and Improvements

Zhaoyi Wan, Yimin Chen+4 more|arXiv (Cornell University)|Nov 17, 2020

Advanced Neural Network Applications参考文献 38被引用数 13

ひとこと要約

本論文は、細長い物体検出における体系的分析を提示し、特徴の適応が改善の鍵要因であることを特定した。これはアンカーベースの局所化や専用のボックス表現を上回る。本論文は、極めて小さな（XS）物体ではmAPを2.1%向上、小さな（S）物体では1.0%向上させる一般化された自己適応モジュールを提案するが、通常の物体への影響は最小限に抑えられる。この結果、細長さに配慮した特徴の適応が、検出ベンチマーク全体で一貫した向上を実現できることを示している。

ABSTRACT

In this paper, we are concerned with the detection of a particular type of objects with extreme aspect ratios, namely extbf{slender objects}. In real-world scenarios, slender objects are actually very common and crucial to the objective of a detection system. However, this type of objects has been largely overlooked by previous object detection algorithms. Upon our investigation, for a classical object detection method, a drastic drop of $18.9\%$ mAP on COCO is observed, if solely evaluated on slender objects. Therefore, we systematically study the problem of slender object detection in this work. Accordingly, an analytical framework with carefully designed benchmark and evaluation protocols is established, in which different algorithms and modules can be inspected and compared. \New Our study reveals that effective slender object detection can be achieved ~ extbf{with none of} (1) anchor-based localization; (2) specially designed box representations. Instead, extbf{the critical aspect of improving slender object detection is feature adaptation}. It identifies and extends the insights of existing methods that are previously underexploited. Furthermore, we propose a feature adaption strategy that achieves clear and consistent improvements over current representative object detection methods.

研究の動機と目的

• 標準化された評価とベンチマークの欠如により、オブジェクト検出分野において軽視されがちなが、極めて重要な問題である細長い物体検出を形式的に調査すること。
• 定義の問題、評価バイアス、データ分布の問題を特定することで、細長い物体における既存の検出失敗を診断すること。
• 細長い物体における検出手法の公平な比較を可能にする統一された分析フレームワークを確立し、モデル部品の体系的分析を可能にすること。
• アンカーベースや専用のボックス表現アプローチを越えて、効果的な細長い物体検出を可能にするコア要因を同定すること。
• 通常の物体の性能を維持しつつ、細長い物体の検出性能を向上させる一般化された特徴適応戦略「self-adaption」を提案すること。

提案手法

• 著者らは、COCOおよびCOCO+データセット上で、データバイアスを中和し、手法間の公平な比較を可能にする統一された評価プロトコルを用いたベンチマークを設計した。
• 細長い物体の3つのカテゴリ（固有に細長いもの、隠蔽／切断されたもの、角度依存性の薄い板）にわたる検出失敗を分析した。
• コアとなる手法として、「self-adaption」と呼ばれる一般化された特徴適応モジュールを導入した。このモジュールは、中心度スコア式における可学習指数sを用いて、物体の細長さを組み込むことで、センター・プライアを拡張する。
• 細長さのプライアは $\text{centerness}^* = \left(\frac{\min(l,r)}{\max(l,r)} \times \frac{\min(t,b)}{\max(t,b)}\right)^s$ として形式化され、sは細長い物体を優遇するように調整される。
• RetinaNetおよびFCOSを用いて評価し、オフセットスタディにより、Rオブジェクトに顕著な劣化を伴わず、XSおよびSカテゴリで一貫した向上が得られた。
• フレームワークは回転ボックスを用いた評価をサポートしており、実世界のシナリオにおける方向に依存する検出の分析を可能にしている。

実験結果

リサーチクエスチョン

• RQ1 COCOで標準的な検出器を細長い物体に限定して評価した場合、mAPが18.9%も低下する要因は何か？
• RQ2 アンカーベースや専用のボックス表現手法はなぜ細長い物体に一般化できないのか？そして、それらは代替の設計原理に置き換え可能か？
• RQ3 効果的な細長い物体検出を可能にする、アーキテクチャ的または最適化的要因は何か？そして、その要因を分離・測定することは可能か？
• RQ4 一般化された特徴適応戦略が、細長い物体と通常の物体の両方で性能を向上させつつ、トレードオフを生じさせないか？
• RQ5 データバイアスや一貫性のない指標を避けるために、細長い物体検出を公平に評価するための評価プロトコルを標準化することは可能か？

主な発見

• RetinaNetを用いてCOCOで細長い物体に限定して評価した場合、mAPが18.9%低下する。これは問題の深刻さを示している。
• アンカーベースの局所化や専用のボックス表現は、効果的な細長い物体検出に不可欠ではない。それらが欠落していても性能は劣化しない。
• 特徴の適応が、検出性能向上の鍵要因であると特定された。self-adaptionモジュールは、極めて小さな（XS）物体で2.1%のmAR向上、小さな（S）物体で1.0%のmAR向上を達成した。
• 可学習指数sを用いて中心度スコアを変更する細長さのプライアにより、通常の（R）オブジェクトのmARがわずかに低下する一方で、細長い物体の検出性能が向上する良好なトレードオフが実現された。
• self-adaptionモジュールは、ResNet-101を用いたCOCO+でmARを49.7%まで向上させ、ベースラインのFCOSに比べてXSカテゴリで0.8%、Sカテゴリで1.4%高い性能を達成した。
• 提案された分析フレームワークにより、一貫性があり公平な評価が可能となり、従来の手法がデータおよび指標の不均衡により細長い物体に偏ったバイアスを有していたことが明らかになった。